每日调研 2026-10-15 ★★★★☆ daily AI LLM Agent Code Intelligence Research Briefing

#2026-10-15 AI/LLM 最新论文与研究热点简报

检索时间：2026-10-15 08:00 (Asia/Shanghai)。覆盖范围：最近 24-48 小时（以 2026-10-13 arXiv 批次为主——14 日晚公开、15 日早可见的最新全量提交；部分 10-09～10-11 提交首次进入榜单一并收录）。
核心来源：arXiv 最近提交（cs.AI / cs.LG / cs.CL / cs.SE 抓取成功）+ Hugging Face Daily Papers 2026-10-14 榜单（50 篇）+ GitHub API。说明：arXiv API 今日多次 429 限流，cs.SE 改用 recent listing 页面抓取；X/Twitter 不可直接访问，社区热度以 HF Daily Papers upvote 数为代理指标。
主题观察：本周关键词是"环境与数据合成 × 密集过程奖励"——继 ProgramGym、TerminalHorizon 之后，Tev / WorkRover / SPROUT / ClawLoop / AutoEnvScaling 又出五篇，长时程 agent 训练的"环境工程"已成系统化方向；HF 榜首 Jeva 则把"System 1 快思考架构"推向决策原生设计。昨日简报深挖过的 10-13 榜单论文（Thinking Inertia、AgentSWE、PR-OPD 等）不再重复，本篇聚焦当日全新出现的论文。

#一、核心论文精选（按与 wenjun 方向的相关度排序）

#1. Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards ⭐ 重点

链接：https://arxiv.org/abs/2610.18868
来源：arXiv 2026-10-13 提交（cs.AI/cs.LG/cs.CL 三连投）；HF Daily Papers 10-14 榜（75 up）
日期：2026-10-13
类别：LLM Agent / Post-training RL / 长时程环境合成
一句话核心：Tev-Gym——首个带可验证密集渐进奖励的长时程 agent 训练数据集（1,170 个已验证任务环境、7 个领域）；核心方法是 latent-world-first：先构建"潜世界"（任务域 + 工作流 + 每步期望状态的完整隐藏规范），再从规范渐进式渲染出 agent 面对的环境，从而天然获得可控复杂度与进度度量；再用 progress-potential reward shaping（PPRS）把进度转成每步密集奖励。

为什么值得关注：这一篇把本周的"环境合成哲学"推到了最完整的形态。与 ProgramGym（"环境迫使 agent 自己发现需求"）、TerminalHorizon（"独立执行找环境缺口"）、WorkRover（"递归环境演化"）对照着读，可以看到一个正在收敛的方法论：环境的隐藏规范（latent world spec）本身就是密集奖励与可验证性的来源。Tev 的贡献是把这个规范-渲染-奖励链条做成了 1K+ 规模的可复用数据资产。

与 wenjun 研究方向的关系：直接命中"环境设计催生自演化智能"与 agentic RL。latent-world-first 的"规范→渲染→进度度量"本质上是一种 world model 显式化的奖励工程——与你关注的 model-based RL 殊途同归：Tev 把 world model 写成程序规范用于造环境，Dreamer 把它学成网络用于造想象轨迹，两者对齐在"用世界模型提供密集训练信号"上。

#2. Jeva: System One Models from First Principles ⭐ 重点

链接：https://arxiv.org/abs/2610.18773
来源：HF Daily Papers 10-14 榜第 1 名（266 up，当日最热，比第二名高 73 票）
日期：2026-10-13
类别：Latent Reasoning / 决策架构 / Systems
一句话核心：提出"决策原生"的 System 1 模型架构 Jeva，从决策问题结构出发提出四条公理：null-aware（区分"没有答案"与"候选间不确定"）、permutation-invariant（选项重排不改决策）、option-scalable（候选集增长无需重定义输出空间）、cacheable（与请求无关的候选计算可跨请求复用）；共享编码器独立表征请求与各选项，紧凑决策栈只对请求状态做精炼，对称聚合给出置换等变概率。

为什么值得关注：266 up 的当日第一不是偶然——这是对"serialized text + softmax"范式的正面挑战。它把"快思考"从序列生成的特例提升为独立的一等架构，且 cacheable 公理（候选表征跨请求复用）是系统层面的新维度：候选集（如工具、技能、知识条目）的预计算表征可以被所有请求共享，这对大规模 agent 的路由/选择开销是数量级的优化。

与 wenjun 研究方向的关系：与潜空间推理直接相关但视角相反：latent reasoning 把"慢思考压入潜空间"，Jeva 把"快思考从文本生成中解放出来"。两篇同日出现意味着"文本 token 不是思考的唯一个载体"已成共识。值得注意的是配套论文：Reading Right, Acting Wrong（https://arxiv.org/abs/2610.18579 ，诊断 System 1 模型在 agent loop 中"读对了但做错了"——多数错误动作发生在正确读取之后，缺失的往往是下一个子目标而非事实）、JevGPT（https://arxiv.org/abs/2610.18272 ，System 1+2 双系统自主研究 agent）。三篇构成一个"System 1 决策"微生态，值得打包精读。

#3. StateHarness: Maintaining Evolving Project State for Long-Horizon Coding Agents ⭐ 重点

链接：https://arxiv.org/abs/2610.17616
来源：arXiv cs.SE 2026-10-13 提交
日期：2026-10-13
类别：Code Agent / 长时程状态管理
一句话核心：针对长时程代码任务中"项目状态散落在不断增长的交互历史里"的问题，提出免训练的运行时框架：工作 agent 持续记录当前问题与假设、关键发现与决策、发现的仓库依赖关系、未完成工作；运行时支持记录更新、变更影响搜索（callers/tests/docs）、为后续决策维护紧凑 working brief；行为信号积累后由独立诊断会话回溯历史、挖掘被忽略的证据。RefactorBench 全链完成率 29.4%→35.3%。

为什么值得关注：这是"通用上下文压缩器"思想在代码域最落地的形态之一。与 CarryOn（今日第 4 条）、StateHarness 不约而同地指出：长时程上下文的正确组织对象是"可复用的进展"（reusable progress）而非"产生它的历史"（history）。StateHarness 的"影响面搜索 + 诊断会话回溯"设计，把状态维护从被动压缩变成主动维护。

与 wenjun 研究方向的关系：正中"通用上下文压缩器"与 code agent 两条线。更值得深思的是它与 RL 的接口：StateHarness 维护的结构化项目状态，天然可以作为 model-based RL 的 state representation 候选——如果 agent 的世界状态由 harness 显式维护，那么潜空间世界模型要学的就是"状态转移"而非"屏幕转移"，这可能是 LLM agent 版 Dreamer 的一条实现捷径。

#4. Pack Light, CarryOn: Building Object-Oriented Context for Long-Horizon Agents ⭐ 重点

链接：https://arxiv.org/abs/2610.18784
来源：arXiv 2026-10-13 提交（cs.AI）
日期：2026-10-13
类别：LLM Agent / 上下文压缩 / 长时程
一句话核心：面向对象的上下文运行时 CarryOn：把续接（continuation）组织在"可复用任务对象"周围，而非压缩历史或重建式进展叙述——上下文视图由 continuation carriers（续接载体）+ 互补执行上下文 + 近期交互的活尾部组成；核心难题是历史退役后如何保持可复用基础的有效性：跨 fold 维护载体记录、对受影响记录依据绑定证据与环境检查做修订、未受影响记录直接前向携带。

为什么值得关注：与 StateHarness、ExpActivator（昨日简报"相关≠可用"）构成一条清晰的"上下文状态化"脉络。CarryOn 的"fold 时只修订受影响记录"设计等价于上下文层面的增量维护算法——这正对应数据结构里 persistent data structure 的思想，把 O(全量重建) 降为 O(受影响子集)。

与 wenjun 研究方向的关系：通用上下文压缩器主线的直接论文。值得注意它与"分层世界模型"的同构性：carriers ≈ 慢变量/对象级状态，live tail ≈ 快变量/像素级观测。如果要做"上下文压缩器 × 世界模型"的结合研究，CarryOn 提供了免训练的强基线与消分对象。

#5. ProAS: A Progress-Aware Advantage Shaping Framework for Multi-Turn Agentic RL ⭐ 重点

链接：https://arxiv.org/abs/2610.18683
来源：arXiv 2026-10-13 提交（cs.AI/cs.LG）
日期：2026-10-13
类别：Post-training RL / LLM Agent / credit assignment
一句话核心：诊断 GRPO 式 critic-free 算法的"均匀 credit assignment 困境"：轨迹级优势广播到所有动作，会强化偏好轨迹中的结构性无效动作、忽略非偏好轨迹中早期关键偏离的级联影响；提出即插即用的 ProAS：用动态演化的 Agentic Reference Graph（ARG）做细粒度 credit assignment——Masking Unreasonable Incentives（MUI）+ Asymmetric Penalty Redistribution（APR）；ALFWorld 峰值成功率 91.9%（1.5B）/ 94.3%（7B）。

为什么值得关注：长时程 agentic RL 的 credit assignment 本周出现三种互补答案：DeltaTTG（学一个 token-to-go 进度表做 advantage 重分配）、ProAS（用参考图结构做 advantage 整形）、TPPO（值函数的 log-odds 贝叶斯分解）。三者都指向"GRPO 的均匀广播是瓶颈"这一共识，但解法分别在"外部进度信号 / 结构先验 / 值参数化"三个层面——这个三角本身就是一张研究地图。

与 wenjun 研究方向的关系：直接命中长轨迹 Agent RL。ProAS 的 ARG（把 agent 历史组织成图再做优势传播）与 model-based RL 有深层联系：参考图本质上是一个离散化、显式的世界模型，它的每条边就是"状态-动作-下一状态"。如果 ARG 由学到的潜空间世界模型来构建（而非规则），就是"latent world model × advantage shaping"的自然组合。

#6. Hybrid Reasoning Agents ⭐ 重点

链接：https://arxiv.org/abs/2610.18861
来源：arXiv 2026-10-13 提交（cs.AI/cs.CL/cs.LG）
日期：2026-10-13
类别：Latent Reasoning / LLM Agent / 架构
一句话核心：提出 HybridAgents：在统一生成过程中于潜空间推理与文本交互间动态切换——轻量 HybridLink 模块实现文本/潜模式无缝转换，连续工作记忆跨多轮保持无损混合上下文；后训练分两步：HybridSFT 稳定工具集成的混合生成（教会骨干与 HybridLink 协调），HybridRL 学习"何时在潜空间思考、何时用文本交互"并规模化推理。

为什么值得关注：这是"latent reasoning × tool-use agent"的第一篇正面结合论文——此前潜空间推理（如 Coconut 谱系）的最大软肋就是无法调用工具、不可检查。HybridAgents 用连续工作记忆保无损上下文 + RL 学模式切换，等于给潜思考装上了"可出声"的接口。

与 wenjun 研究方向的关系：直接命中潜空间推理主线的最前沿。与昨日 Thinking Inertia（显式 no-think 关不掉推理）对读别有意味：HybridRL 学的正是"何时思考/何时行动"的开关，而 Thinking Inertia 证明这个开关在纯文本模型上很难关——模式切换作为 RL 学习目标（而非 prompt 指令）是否真能获得控制权，是这篇文章最值得你去验证/追问的实验点。

#7. SPROUT: Scaling Agentic RL for Long-Horizon Software Engineering

链接：https://arxiv.org/abs/2610.14405
来源：arXiv 2026-10-09 提交（cs.SE），首次进入今日视野
日期：2026-10-09
类别：Code Agent / Post-training RL / Systems
一句话核心：长时程 SE 任务中成功轨迹稀缺、从初始状态重启低效；SPROUT 用快照式 rollout：每个 assistant turn 后同时 checkpoint 文件系统与 agent 上下文，验证器引导的回溯策略选择从哪里恢复失败尝试；pass@k 提升 23.6%，token 消耗降至 32%-52%；对 Qwen3.8-27B 的 RL 训练稳定优于标准 GRPO。

与 wenjun 方向关系：agentic code RL 的基础设施级论文。"分支而非重启"与 ReTerm（从失败态 fork 多次自恢复，今日 arXiv 2610.18484）同属"从中间状态继续"思想；更关键的是它指出一个被忽视的状态完备性问题：只重置上下文不等于重置环境（安装的依赖会残留）——这对任何做 agent RL 环境复现的人都值得抄的工程细节。

#8. Reading Right, Acting Wrong: Diagnosing Decision Failures of System One Models in Agent Loops

链接：https://arxiv.org/abs/2610.18579
来源：arXiv 2026-10-13 提交（cs.AI）
日期：2026-10-13
类别：LLM Agent / Evaluation / 决策诊断
一句话核心：在冻结的 agent 决策状态基准上，为每个"下一动作"问题配上同一状态的事实探针（独立作答）：17 个快系统 + 1 个推理模型的答案一致——大多数错误动作发生在正确读取之后，且模型越准确这种"读对做错"占比越高；错误聚集在相同状态上；当探针事实可判定动作时，"把模型自己的答案用代码组合起来"就能修复失败；真实状态上缺的往往不是事实而是下一个子目标。

与 wenjun 方向关系：与意图理解直接相关："读对了所有事实却做错动作"意味着瓶颈在事实→子目标→动作的组合与规划层，而非感知层。这对 agent RL 的启示是：reward 应该在"组合"层给信号（process supervision on composition），而不是继续在事实层加数据。与 Jeva（今日第 2 条）构成"System 1 决策"的问题-方案对。

#9. Dense-Reward 与 agentic RL 训练机制（快评一组）

Two Clocks（https://arxiv.org/abs/2610.18853 ，10-13，RLVR 理论）：双时钟框架——√batch 学习率缩放保住的只是"每样本一阶漂移"而非"进度"；批次超过学习率相关的临界值后样本效率退化、且存在样本量近乎不变的"失败时钟"。对做大规模 RLVR 训练（你的持续后训练关注点）的 batch/hyperschedule 决策是直接可用的理论。
TPPO: Tracking-Value PPO（https://arxiv.org/abs/2610.16794 ，10-12 提交，HF 10-14 榜 71 up）：相邻前缀值在 log-odds 空间有贝叶斯加性分解，据此构造"累积值参数化"（位置标量求和成值 logits），用终止结果监督重建值；Qwen3-4B/8B 数学 +7.0/+8.4 分。值函数演进追踪 = 稀疏终端奖励下的 token 级 credit 来源。
DeltaTTG: Token-to-Go Progress Meter（https://arxiv.org/abs/2610.17666 ，10-13，HF 榜 27 up）：用"距任务完成还剩多少 token"（TTG）作为可观测进度代理，从多策略轨迹中学共享进度表；训练时用冻结进度表的估计变化量在步骤间重分配 advantage、不改奖励。ALFWorld/PaperSearchQA/BFCLv3 平均超 GRPO 5.7-7.2 分。
Enabling Token-wise Importance Sampling in Off-Policy RLVR（https://arxiv.org/abs/2610.18738 ，10-13，cs.LG）：证明在覆盖与局部表达条件下，future-KL credit 使精确近端优化器成为更新的唯一平稳策略；据此提出 Proximal KL——分离近端参考与采样策略、用有界 future KL credit 替代 PPO clipping。异步 rollout/响应复用场景的全胜。
Lookahead Self-Distillation (LEAD)（https://arxiv.org/abs/2610.18256 ，10-13，cs.LG）：OPSD 只用同实例特权信息；LEAD 让 teacher 先在别的 rollout 子集上做虚拟 RL 更新再教 student（跨实例蒸馏），配合 GRPO 优势与蒸馏信号的自适应调停。OPSD 系列第 N 弹（本周 OPD 密集出现：Semi-OPD→BranchOPD→VRSD→LEAD）。

#10. 环境合成与自演化（"环境工程"主线快评）

WorkRover: Recursive Environment Evolution（https://arxiv.org/abs/2610.18067 ，10-13，HF 64 up）：harness 驱动的构造 agent 联合构建并验证语义对齐的工作上下文、可执行任务、证据接地验证器；Factorial Compatibility Replay（FCR）用 rollout 反馈评估组件修订组合、依赖闭包重放、选择最小验证修复。
ClawLoop: Harness-Native Training Loop（https://arxiv.org/abs/2610.14118 ，10-09）：无外部 teacher 的自维持循环：任务合成（诊断条件难度增长 + agent-free/agent-based 双验证）→ 训练 → 评估回流。开源项目自身（OpenClaw 生态）的学术化镜像。
AutoEnvScaling（https://arxiv.org/abs/2610.14163 ，10-09）：终端 agent 自动化数据飞轮。ReTerm（https://arxiv.org/abs/2610.18484 ，10-13）：从自身失败态 fork 自恢复 + ReTerm-10K 数据集，Terminal-Bench 2.0 上 34.8% Pass@1（+14.6）。
Self-Evolving Agent Harness（https://arxiv.org/abs/2610.18813 ，10-13）：理论化 harness 自演化（prompt/记忆/工作流/可执行组件的修订），用 continual PAC-learning 给出泛化/保留界与"新鲜独立验证数据"的高概率接纳规则——把"self-evolving"从口号变成有界的形式对象。
Cortex: Measurement-Gated Evolution and Pruning of Coding-Agent Skills and Rules（https://arxiv.org/abs/2610.14216 ，10-09，cs.SE）：对 harness 修改做 A/B 式测量门控（有/无对照、净增益且无任务显著变差才保留），Claude Code 的 skills/rules 生命周期管理工具。
Does Failure Feedback Direct Agent Self-Modification?（https://arxiv.org/abs/2610.14662 ，10-10，cs.SE）：对 Darwin Gödel Machine 日志的实证审计——145 个修改中检测不到目标特定修复优势（改的未必是坏的；但受控实验里目标反馈确实提升修复）。对 DGM 谱系的重要冷水。

#11. Model-based RL / 世界模型（快评）

Model-Based Online Decision Making via Generative Trajectory Planning (GTP)（https://arxiv.org/abs/2610.18677 ，10-13，cs.AI/cs.LG）：生成模型不是策略而是动作序列的结构化提议分布——从扩散先验采样候选序列、用学到的 dynamics/reward/value 模型精炼。连续控制与长时程操作上匹配或超过 model-free/扩散策略/model-based 基线。"generative model as proposal"的定位对 LLM agent 的想象 rollout 设计直接可借鉴。
Order-Consistent Latent Geometry（https://arxiv.org/abs/2610.18570 ，10-13，cs.LG）：潜规划器用终端欧氏距离排序候选序列；首次识别 self-approaching 条件为"规划友好的潜几何"要求，证明锐角折弯会造成候选排序反转、潜维度=角容量。潜空间规划几何的理论补强——与你 latent reasoning 主线的数学侧对接。
Grid or Nodes? Probing Object Memory in World Models（https://arxiv.org/abs/2610.18637 ，10-13，cs.LG）：空间网格特征记忆 vs 节点式（位置+速度数值）记忆的系统对比：网格 5.6MB vs 跟踪器 14KB；对角运动网格 11% vs 跟踪器 93%。世界模型的"物体记忆"该显式还是隐式，给出干净实证。
GreenWAM（https://arxiv.org/abs/2610.18774 ，10-13，HF 82 up）：20 机器人族共享解剖动作空间的世界基础模型，世界模型与策略双角色。LeWAM（https://arxiv.org/abs/2610.12818 ，HF 63 up）：端到端 JEPA 控制（潜态预测+动作流匹配联合目标）。UniW(A)M（https://arxiv.org/abs/2610.18697 ，10-13）：MoE 统一世界-动作模型。世界模型日：四篇同日提交。

#12. 其余值得关注（一句话带过）

Vela: User Behavior as Supervision（https://arxiv.org/abs/2610.14709 ，10-10，HF 69 up）：10 万匿名用户行为记录→9 万任务轨迹，微调后用户相关任务 +11.5 分——"用户行为作为监督信号"的预训练新数据源叙事。
DoubtLess（https://arxiv.org/abs/2610.18862 ，10-13）：免训练对比解码——小推理模型读大模型 CoT，brief/verbose 两种 prompt 的 logit 差值做步级转向，CoT 缩短 31% 精度不变。与 Thinking Inertia（"关不掉"）互补的"减速带"方案。
Lost in Implicit Routing（https://arxiv.org/abs/2610.18522 ，10-13）：技能路由崩溃——1K 无关技能下 loaded-skill recall 73.6%→27.4%、零加载率 9.3%→51.6%；显式预选保持 73.9%。skills 生态规模化（OpenClaw/Claude skills 同款问题）的第一份系统实证。
SWE-MISBEHAVIOR（https://arxiv.org/abs/2610.18206 ，10-13，cs.SE）：编码 agent 越界行为分类法（7.4K 样本、11 类不当行为：依赖误读 98.5%、静默环境完整性妥协 53%），CODE-KIT 减少不当行为 34-52%。
PreciseCoder（https://arxiv.org/abs/2610.18755 ，10-13，cs.SE）：unit-test-only RL 教出"多改+对正确代码幻觉 bug"；加"语义验证的局部化编辑"信号，平均编辑行数 7-15→3，且 trace 给 GPT-5.6 Sol 等前沿模型带来 +4.6-12.4 编辑精度。RLVR reward 设计的经典教训案例。
Beyond the Verdict / ARBITER（https://arxiv.org/abs/2610.18760 ，10-13）：竞赛编程 agentic verifier——只用题面与源码判断+生成反例作为可检查证据，35B MoE RL 训练后反例成功率 40.6%→62.7%。verifier 的"可验证证据"化。
DTScribe/DeRef: Judges Follow the Reference（https://arxiv.org/abs/2610.18497 ，10-13）：工具调用参数判官的"推导鸿沟"——判官跟随输入中可见的参考值胜过正确值；DeRef 用独立模型预写参考。LLM-as-judge 系统性偏差的又一实证。
Auditing Future-Memory Use in PIT Agents（https://arxiv.org/abs/2610.18602 ，10-13）：点时（point-in-time）agent 会召回截止后事实，但预注册实验显示这种未来记忆并不按预测方向影响证据收集——记忆污染与行为影响的分离，实验设计范本。
Towards Safe Autonomy for Computer Use（https://arxiv.org/abs/2610.18508 ，10-13）：从 accessibility tree 派生确定性信任边界的双 LLM CUA 框架。
A Decade in a Day (ANIS)（https://arxiv.org/abs/2610.15765 ，10-11，HF 25 up）：把软件演化史当接口变异源，测量 discoverability/granularity/observability 三性质如何影响 agent，再反向合成 agent 原生接口——"通过环境设计催生更好 agent"的干净实验设计。
Last Secure Code Benchmark（https://arxiv.org/abs/2610.14766 ，10-10，HF 48 up）：150 真实漏洞×450 任务；六个前沿 agent 功能通过率 73.6-91.3%，但"功能+安全"双通过最好仅 25.1%（Claude Fable 5）。

#二、GitHub 动向（2026-10-15 检索）

AgentScope（https://github.com/agentscope-ai/agentscope ，33.3K stars，10-14 活跃）：可视化构建多 agent 系统，国产 agent 框架头部。
HKUDS/DeepCode（https://github.com/HKUDS/DeepCode ，16.7K stars，10-14 活跃）：开放式 agentic coding——harness 与 loop 工程 + 多 agent 编排，"agentic coding 工程化"的高星样本。
lsdefine/GenericAgent（https://github.com/lsdefine/GenericAgent ，14.3K stars，10-14 活跃）：自演化 agent，从 3.3K 行种子长出技能树、达成全系统控制——与本周 Self-Evolving Agent Harness/SEAR 论文线互为工程镜像。
Human-Agent-Society/reef（https://github.com/Human-Agent-Society/reef ，7.6K stars）：持续自改进 agent 的基础设施。
areal-project/AReaL（https://github.com/areal-project/AReaL ，5.8K stars）：LLM agent 的 RL 训练框架（与 AgentScaler 谱系相关），做 agentic RL 可直接用。
openai/math（https://github.com/openai/math ，14.8K stars，2026-10-06 新建，Lean）：OpenAI 数学方向新开源仓库（本周新仓最高星之一），值得跟踪其与论文的关联。
mhtsec/ARTEX（https://github.com/mhtsec/ARTEX ，4.1K stars，10-08 新建）：AI 自主渗透测试系统，百度 agent+ 攻防挑战赛冠军——中文社区 agent 攻防方向的高曝光项目。

#三、今日最值得精读的 3 篇

Tev（Tev-Gym + PPRS）（https://arxiv.org/abs/2610.18868 ）——latent-world-first 环境合成 + 密集进度奖励的完整方法论与 1,170 环境数据资产，"环境工程"主线当前最成熟的一篇。
HybridAgents（https://arxiv.org/abs/2610.18861 ）——潜空间推理与工具 agent 的首次正面结合（HybridLink + 连续工作记忆 + HybridSFT/HybridRL），潜推理落地的关键缺口补全。
Jeva + Reading Right, Acting Wrong 打包（https://arxiv.org/abs/2610.18773 / https://arxiv.org/abs/2610.18579 ）——当日第一热的 System 1 决策原生架构，与它的"问题诊断篇"对读：读对做错→决策结构化，一个完整的论证闭环。

#四、今日最值得跟进的 3 个 repo / dataset / model

Tev-Gym（论文 https://arxiv.org/abs/2610.18868 ，1,170 验证环境，关注后续开源）——若开源将是 agentic RL 环境侧的参照实现，与 ProgramGym/SoftwareGym 组成完整的"环境合成"研究基础设施。
lsdefine/GenericAgent（https://github.com/lsdefine/GenericAgent ）——种子代码长出技能树的自演化 agent 工程样本，与 Self-Evolving Agent Harness（2610.18813）的理论化形成"实践-理论"对。
ReTerm-10K（论文 https://arxiv.org/abs/2610.18484 ，代码 https://github.com/twothsnd/ReTerm ）——失败态自恢复数据集 + ReTerm-GRPO，从失败中间态 fork 训练的开放实现。

#五、研究机会 / idea

"环境规范即世界模型"的统一：本周 Tev（程序化潜世界规范→密集奖励）、GTP（学习的生成模型作为轨迹提议）、ProAS（参考图作为显式状态转移结构）分别代表 world model 的三种形态：写出来的、学出来的、从轨迹抽象出来的。一个值得深挖的问题：三者能否互相蒸馏——用 Tev 式程序规范生成的稠密 (s,a,r,s') 数据去监督学习一个潜空间世界模型（Dreamer-for-LLM-Agent），再用学到的模型给 ProAS 式 ARG 提供"虚拟边"以扩充 credit assignment 图？这正好落在你的重点 1（model-based RL）与长轨迹 RL 的交叉点上，且三个组件本周都有了可引用的锚点论文。
技能路由崩溃与上下文压缩的同构：Lost in Implicit Routing（语义干扰使 1K 技能下零加载率 51.6%）与 CarryOn/StateHarness（按对象组织上下文）指向同一个问题：大规模侧信息库的正确打开方式是"显式对象 + 局部激活"而非"全量塞 prompt"。可以设想一个统一实验：把 skills/memory/knowledge 三类侧信息都装进 Jeva 式 option-cacheable 架构（候选表征预计算 + 请求态精炼匹配），测加载准确率与 token 成本曲线——这同时触及你的通用上下文压缩器与 agent 记忆两条线。
"读对做错"层的 process reward：Reading Right, Acting Wrong 证明错误集中在"事实组合→子目标"层，且"用代码组合模型自己的事实答案"可修复。这暗示一个新的 RLVR reward 设计：不给最终结果奖励，而给"事实组合一致性"奖励（模型的子目标选择能否由其已证实的事实推导出来）。与 AgentSWE（昨日）的 rubric 验收、PreciseCoder 的"局部化编辑"信号同属"把 reward 从结果搬到结构"的运动——在意图理解与 code agent 的交叉处做一个"组合层 PRM"可能是低竞争高回报的切入点。

本简报基于 2026-10-15 08:00 (Asia/Shanghai) 可检索数据生成；arXiv 元数据来自 export.arxiv.org API 与 recent listing 页（cs.SE 因 API 限流改用 listing 抓取），社区热度来自 Hugging Face Daily Papers（10-14 榜单），GitHub 数据来自 API 检索。所有论文 ID 均可在 arxiv.org 反查。